文摘
为了提高排球运动员的识别能力的起飞,从而促进排球道钉的准确性,本文提出了排球运动员的识别技术高峰起飞基于DTW算法结合图像识别技术。排球运动员的传动关系模型的细节特征的起飞动作图像构造,和排球运动员的边缘轮廓特征的飙升起飞动作检测到图像和小波分解特征和DWT算法处理细节。使用阿特拉斯之前知识而不是暗原色,图片的详细信息和颜色。通过过滤和维护的方法,引导图像滤波器的详细信息输入排球运动员的飙升和起飞动作形象。索贝尔算子用于检测弱动画图像的边缘信息。在边缘地区,高阶矩特征分解和小波的特性分离是用来提高排球运动员的细节的飙升和起飞动作形象和特征点检测和放大的关键行动,以提高能力的增强和识别动作的细节特征点的图像。测试表明,该方法可以有效地解决了噪声和错误的过程中认识到排球运动员的飙升和起飞的行动,减少识别错误,准确定位,提高能力飙升和起飞点。
1。介绍
排球是一个美丽的和激烈的运动。现在,排球受欢迎的世界各地,被称为世界第二大球类运动。的飙升和捕捉排球在排球比赛中发挥了关键作用。箝制必须完成对角飙升地区被认为是一个好球。掌握排球的扣球改善竞争具有重要意义的结果。排球是一项困难的技能掌握激增,和球员经常有行为偏差。有必要认识到实时行动飙升。结合图像的视觉特性分析方法,识别模型的飙升起飞行动建立了排球运动员。它可以更好地分析排球运动员的动作和技术特点的飙升和起飞识别项目,并提供准确的数据支持,指导排球运动员的飙升和起飞训练和比赛裁判1]。
的基础上,分析图像的颜色和传输领域,并结合传输图像的粗糙集(2,3),增强行动的细节特征点的峰值起飞排球运动员的形象是基于动态特征的分析起飞排球运动员的形象,以估计的传输参数和视觉特征信息起飞中产排球运动员的形象,和提高输出稳定的峰值起飞排球运动员的形象。传统上,运动幅度的检测方法是用来识别起飞排球运动员的动作,但它不适合运动,如排球运动员的冲动起飞动作的多维特征点下降和旋转。出于这个原因,相关文献已得到改进。文献[1)提出了一种新的AR-based特征提取方法对排球运动员的击球姿势。排球运动员的基于“增大化现实”技术的图像采集模型构造的姿势,边缘轮廓特征提取,排球运动员的动作特征的打击姿势分析,图像融合和特征分解排球运动员的打击姿势通过基于“增大化现实”技术的视觉空间重建技术完成。使用关联模糊检测的方法,角特性和灰色图像的不变矩特征提取,和排球运动员的姿态跟踪图像操作,认识,和提取。然而,该算法有大量的计算和可怜的适用性。文献[4)提出一个最优的识别方法的排球运动员的手臂基于混沌理论的发展轨迹。基于背景差分的原理,运动员的运动轨迹检测,动态臂跟踪进行了利用颜色直方图的粒子滤波,和运动员的手臂运动的相空间轨迹重建通过整合混沌理论。混沌不变量代表了运动员的手臂运动轨迹提取重构相空间,三维空间特色和手臂运动轨迹转化为一维的手臂运动轨迹,和完成了优化识别排球运动员的手臂运动的轨迹,但系统容易在视觉感知过程的非线性失真排球运动员飙升的起飞动作领域技术动作特征数据5- - - - - -9]。
针对上述问题,本文提出了一种识别技术对排球运动员的飙升和跳跃动作基于DTW算法。首先,细节特征检测和信息收集排球运动员的飙升和跳跃动作图像进行边缘轮廓特征检测是通过小波细节功能分解和DWT算法处理。最后,在边缘地区,高阶矩特征分解和小波的方法分离特性用于提高排球运动员的冲动起飞动作形象的细节和特征点检测和放大的关键措施。实验表明,该方法具有优越的性能在提高排球运动员的模糊检测和识别能力“高峰起飞动作图像细节。
2。传播关系排球道钉起飞动作图像的视觉特征
2.1。透视图排球运动员飙升的起飞动作形象
DTW算法是用来测量两个不同长度的时间序列的相似性。未知数拉长或缩短,直到与参考模板的长度一致。在这个过程中,未知序列将被扭曲或弯曲,使其数量特征对应的标准模式。DTW的基本原理是设置时间校正函数参考模板和匹配的特征向量根据路径长度和参数匹配点。DTW算法以最小化加权距离的和局部优化。DTW算法可以有效地识别排球运动员的飙升和起飞动作图像通过约束。边界条件意味着两个序列必须匹配的开始和结束,和每个部分的顺序必须匹配。连续性条件意味着多对一、一对多情况下只能匹配周围的时间步在匹配的过程中,也就是说,不可能跨越一定的点匹配,它只能与自己相邻的点。这可以确保每个坐标出现在指定的路径。单调性意味着有许多路径满足上述约束,所以问题是优化问题的实质是寻找最优图像识别路径。 Based on DTW algorithm, an image recognition model of volleyball player’s spike take-off action is established [10- - - - - -12]。结合排球运动员的详细特性检测的起飞动作形象,传播关系分析模型建立了排球运动员的冲动起飞动作形象通过使用模糊颜色特征匹配技术。结合光学检测的排球运动员的冲动起飞动作形象。小波分解特征来分析具体的转换通过小的波动波形衰减特征,及其与积极的和消极的振幅的振荡形式可以表达动态特性。小波分解特征是局部分析时间和空间使用的频率。通过扩张和翻译操作、多尺度的信号功能逐步完善,最终达到在高频时间细分,然后专注于细节的动态特性。小波分解特征可以覆盖整个频域,它提供了一个完整的数学描述图像特征识别(13,14]。通过选择合适的过滤器,小波变换可以大大减少或消除不同提取特征之间的相关性。小波分解特征具有“变焦”特性,可以使用在低频波段高频率分辨率和较低的时间分辨率,在高频和低频的分辨率和高时间分辨率的乐队,从而有效地提高算法的计算速度。详细的小波分解特性和DWT算法技术用于获得排球运动员的动态特征点分布的峰值起飞动作形象。构建数学模型,排球运动员“高峰和起飞动作图片所示公式(1): 在图像的像素分布尺寸,是模型函数, 是迭代加权函数,是剩余的组件模型,是模板匹配域,是特征点检测。
排球运动员的边界像素的起飞动作形象为中心,图模型的参数匹配,块融合模型,建立了排球运动员的冲动起飞动作形象。暗原色的低通滤波器检测到有一些在当地区域像素的加权组件。基于之前的黑暗通道分布定律,排球运动员的视觉特征分布的峰值起飞动作形象是满意的 ,其中排球运动员的像素强度的峰值起飞动作图片,和图像检测输入和输出之间的关系如图1。
根据图1当地社区以像素为中心x构造,暗渠道分销的不变矩的排球运动员“高峰起飞动作下详细的小波分解特性和图像DWT算法获得见公式(2): 在是排球运动员的像素三色通道的起飞动作,是优良的过滤函数,排球运动员的干扰强度的起飞动作,排球运动员的像素分布序列长度的起飞动作图片,详细的振幅分布,是X排球运动员组成部分像素景深的起飞动作,它是Y像素的景深 是检测函数。
根据上述分析,信息收集和像素序列分析模型 排球运动员的飙升起飞行动建立形象。根据排球运动员的传播关系的起飞动作图像细节特征,图像细节特征增强的方法的细节小波分解特征和DWT算法(15),排球运动员的角度形象“高峰起飞行动。
2.2。边缘特征检测和处理
知识地图技术人工智能的一个重要分支,它是一个结构化的语义知识库,用于描述概念及其关系在物理世界的符号形式(16]。它的基本组成单位是“entity-relationship-entity”三元组,和实体及其相关属性-值对。通过关系实体相互连接,形成一个网络知识结构。知识地图嵌入,作为一种先验知识,通常是许多深层神经网络模型的输入约束和监督神经网络的训练过程。主流的知识表示方法学习:将实体和关系表示为密度低维向量实现的分布式表示实体和关系,并已成为一个重要的语义链接预测方法和知识完成知识地图。阿特拉斯的先验知识可以显著提高计算效率,有效缓解数据稀疏,实现异构信息融合,并帮助实现知识融合。暗原色的地图知识而不是之前使用,得到图像的详细信息和颜色,和基于不变矩的灰色和图像的。根据像素的相对价值景深排球运动员的起飞动作形象,黑暗的通道分布参数指导滤波器分解方法得到的特征。特征分解的方法将一个矩阵分解为其特征值和特征向量的乘积。矩阵可以分解的方式显示信息不明显的矩阵元素的安排表示。任何真正的对称矩阵特征分解,但特征分解可能不是独一无二的。如果两个或两个以上的特征向量具有相同的特征值,那么任何生成的子空间的正交向量这些特征向量特征值所对应特征向量。因此,它可以同样由这些特征向量作为替代品。传统上,矩阵元素通常在降序排列。根据本公约,功能分解是独一无二的如果,只有所有特征值是唯一的。结合模糊特征分解,场景的中心距反射光强度的反射光强度图像所示公式(3): 在是排球运动员的像素传播强度的峰值起飞的形象,是排球运动员的最初的像素传播强度峰值起飞的形象,然后呢直方图均衡化是排球运动员的颜色空间参数的峰值起飞的形象。直方图均衡化的方法控制颜色的灰度变换的空间是一个重要的应用,这是高效和容易实现。图像中每个像素的灰度变化通过改变图像的直方图,主要用于增强图像的对比与一个小动态范围。如果一个图像通常是黑暗或光明,直方图均衡化的方法非常合适。输入图像的直方图均衡化算法OpenCV需要一个八位的单通道图像,灰度图像。均衡映射的计算彩色图像时,有必要单独通道的图像分割功能,分别处理每个通道的图像,并将它们合并的合并功能。具体操作过程如图2。
基于直方图均衡化的控制方法的颜色空间,增强的离散标记值。使用暗通道先验知识指导检测过滤,HSV颜色空间的直方图表示为公式(所示4): 在米和N是排球运动员的行动数字的起飞动作图片,然后呢我和J的行和列数字标记点的排球运动员“高峰起飞动作图像。 , , , ,分别代表的内部相关性特征量排球运动员“高峰和起飞动作图像。结合约束参数恢复图像的分析结果,实现了融合的背景值排球运动员的飙升和起飞动作形象,和输出所示公式(5): 在是学习像素, 是背景图像和行动之间的差值图像。根据像素值与背景值的区别,排球运动员的特征动态识别模型的起飞动作图像构造,和人物动态特性参数的分布序列排球运动员飙升的起飞动作图像获得见公式(6):
在上面的公式中, 和 代表排球运动员的突出信息的冲动起飞动作形象。根据背景值和小波细节特征分解排球运动员飙升的起飞动作形象和DWT算法的识别结果,边缘轮廓特征检测处理进行改进的能力来表达图像的细节特征。排球运动员的结构增强识别流的峰值起飞动作图像如图3。
因为二进制图像数据很简单,我们可以更好地分析排球运动员的大纲“高峰和起飞动作图像通过二进制图像。binarize有很多方法,其中阈值法是最常用的17,18]。根据阈值选择的不同的方式,它可以分为全局阈值和局部阈值。全局阈值选择相同的阈值在整个图像,每个像素由计算实现图像中的灰度值峰值,然后减去一组值。像素255 0是黑色和白色。扫描图像的每个像素值,如果像素值大于平均值,像素值设置为255,平均的值设置为0,如果像素值小于或等于0。局部阈值是一小块不规则图像进行阈值处理,并获得通过的意思是过滤。每个像素的阈值是1大于此值时,小于这个值时和0。设置像素的灰度值对排球运动员的起飞动作形象为0或者255。整个图像显示明显的黑白效果,离散图像的二值化。短时傅里叶变换用于确定当地的正弦波的频率和相位时变信号和时频局部窗口函数被选中。 Once the window function is determined, its shape will not change, and the resolution of short-time Fourier transform will be fixed [19,20.]。如果你想改变分辨率,你需要重新选择窗函数。短时傅里叶变换完成后,动态特性排球运动员的起飞动作图像识别,和收敛阈值判断。是否满足收敛阈值,详细的功能数量飙升的起飞动作排球运动员的形象可以输出,它提供了支持后续飙升起飞动作特性对排球运动员。
3所示。排球运动员的特点识别“高峰和起飞动作
的基础上设计排球运动员的视觉数据采集系统的峰值和起飞动作,有必要设计一种算法提取特征点的排球运动员和起飞动作,并将编码转换、量化和改变的冗长的编码预测差异来提高数据流的压缩率,实现功能分析,判断错误点的运动,实现特征识别,构造一个功能分区模型的边缘轮廓特征点提取的身体。在打排球的过程中,结合积极的运动强度分布的边缘轮廓特征单元下的人类动力学模型(21),当玩家的手肘向下逐渐变直和方法握球,球在空中旋转,和位置分布的概率密度函数在空中球后释放所示公式(7): 在e代表帧之间的预测价值。如果我是固定的像素之间的代码框架,补偿值相对于它可以视为零,和像素的像素值吗我。上述过程可以被量化重建和逆量化编码器。最后,通过边缘轮廓的观点分析,视觉信息的通信编码纠错功能实现传输,和排球运动员的特性集合“高峰和起飞动作。通过这种技术,multi-contour 3 d模型的排球运动员“高峰和起飞运动公式所示(8)。 在的地方,是排球运动员的物理参数的起飞,年代位置偏移,是排球运动员的灰度值的峰值起飞的形象, 是排球运动员的边缘特性的峰值起飞形象,SD代表了梯度。起飞,当投掷球,摆球,趋势是垂直于地面,扔球的技术特征在360度。标准正态分布是正态分布,其平均和标准偏差是固定的,一般是0和1的标准偏差。标准正态分布是一种连续随机变量的概率分布,产生不同的分配模式根据不同的意思是,标准偏差和单元的随机变量。比例在任何频率范围可以通过计算估计的平均值和标准偏差变量服从正态分布(22]。此外,标准正态分布函数用于计算技术特点的波动峰值起飞的排球运动员,所示公式(9)。 在代表了排球运动员的初始配置的起飞动作,是分布特征点,排球运动员的旋转位置信息的起飞动作图片,然后呢连续运动帧点。传感器是用于自动收集信息的排球运动员的身体位置,排球角速度和旋转角度,等。假设转换设置位置相对于根在运动坐标系坐标,目标配置排球运动员的起飞是未知的,和假设的形状误差动作幅度的飙升和接收逻辑控制单元是 ,见公式(10): 在 , , ,分别代表人类动力学模型下的边缘轮廓参数, , 是排球运动员的三维人体运动的形状参数的峰值和起飞, , 当地层的人体姿态参数优化,生成一个新的人体姿势全球层的样品,和测量方程的峰值面积公式所示(11): 在哪里标量特征点和吗是候选人的样本参数姿态,世界坐标系一个和B构造,每个部分的最佳候选人的姿势的人体被选中。特色解决方案的最优行动状态显示在公式(12): 在是人体姿势的输入参数分解人体从全球人体姿势到当地,是空间不变的排球运动员的时刻的峰值和起飞过程中,时不变参数,的先验信息是视频内容的排球运动员“高峰和起飞的行动。 , , ,分别代表像素分布的排球运动员“高峰和起飞动作图像。为了测量之间的相似性和 ,当排球道钉起飞时,拍面是有偏见的内部角位置和速度 , ,分别。上肢的质量分解成两个部队行动,即 , ,和球自然土地的拇指球座。然后,根据最终效果,逆运动学进行了分解,高峰在视觉特征的微分方程得到公式(13): 在 是排球运动员的雅可比矩阵的飙升和起飞动作。雅可比矩阵类似于多元函数的导数。在向量微积分,雅可比矩阵是一个矩阵的第一个偏导数以某种方式排列,和它的行列式称为雅可比行列式。雅可比矩阵的重要性在于,它体现了一个可微方程和最优线性逼近给定的点。在矢量分析,雅可比矩阵是一个矩阵的一阶偏导函数以某种方式排列,和它的行列式称为雅可比行列式。在代数几何、代数曲线代表了雅可比矩阵的雅可比行列式集群,伴随着一个代数群的曲线,可以嵌入的曲线。雅可比矩阵可以反映出一个可微方程和一个给定的点的最优线性逼近23]。根据质心的距离之间的关系和坐标轴的运动学解方向,降落点,旋转球后释放所示公式(14): 在 Moore-Penrose广义逆矩阵吗矩阵的飙升的变化下的位置。基于上述分析,排球扣球的物理特性进行了分析。
4所示。细节增强处理的图像特征点
使用黑暗通道分析方法引导滤波之前,排球运动员信息增强处理的起飞动作形象进行,和 设置的标准参数值的详细特性分布域空间排球运动员的冲动起飞动作形象。基于HSV颜色空间的直方图控制(24),输出HSV颜色空间获得参数信息 ,代表的颜色特征分量排球运动员的冲动起飞动作形象。结合over-enhancement缺陷补偿的方法,排球运动员的详细特性检测功能的飙升起飞动作图像所示公式(15): 在是重量因素,是限制参数,轮廓的颜色特征。通过使用暗通道先验分布检测、细节模糊参数的相关特征量的排球运动员的冲动起飞动作形象的范围 见公式(16): 在和分别代表的最大值和最小值的统计特性,干扰组件。利用直方图均衡化的方法分析,动态块排球运动员的数量飙升起飞动作形象 ,的轮廓细节增强子图像块。输入的图像指导的详细图像排球运动员的飙升和起飞动作图像过滤,和索贝尔算子是用来检测弱边缘信息的动画形象,并检测阈值满足,见公式(17): 在δ的暗原色组件是排球运动员的冲动起飞动作形象。总之,冲动起飞动作的细节图像增强排球运动员的关键行动特征点检测和放大通过细节小波分解的方法和DWT算法,和高阶矩特征分解和小波边缘地区的功能分离,以提高能力的增强和识别动作的细节特征点的图像(25]。细节增强图像的输出动作特征点如图4。
5。仿真和测试
为了验证该算法的应用程序的性能对排球运动员的飙升和起飞,OpenCV和Visual Studio用于仿真实验。人类好行为识别的视频中排球运动员的飙升和起飞,图像序列的空间维度可以提供人类环境的信息,例如,背景是什么环境,什么工具都是可用的,等;时间维度可以提供运动的信息,例如,排球运动员如何飙升,他们如何在后台对象和工具操作。同时,空间图像序列和移动光学流序列用于提取和处理信息的视频。四个图像序列使用,对排球运动员的飙升和起飞的行动保证增加提取人类操作的区域,构成六图像序列。排球道钉起飞的样本数据来自虹膜图像数据库,和视觉特性设置为变量分析的性能提高排球道钉起飞的细节图像。三组排球道钉起飞图像作为测试样本,和原始图像如图5。
排球运动员的起飞动作图像如图4测试序列,本文抓住了排球运动员的细节的起飞动作图像,分析了对比细节小波图像通过使用方法的功能分解和DWT算法,和获得,当视觉特性参数 和 排球运动员的起飞是采取行动,排球运动员的细节增强和识别结果飙升起飞动作图像数据所示6和7。
在数据分析的仿真结果6和7显示的增加σ价值,排球运动员的阴影区域的亮度值飙升的起飞动作大大增加,而像素校正范围的三维图像的模糊区域很大,但有些细节丢失。以第一组图像为例,排球运动员的PSNR和图像熵的冲动起飞动作形象作为TR测试参数,当σ分别是1∼10不同的方法来提高排球运动员的细节测试的冲动起飞动作形象。的增加σ值,输出PSNR的排球运动员的飙升和起飞动作形象变得越来越大。该方法的平均PSNR值37.7166 dB, 47.08%和5808%高于传统哈里斯法和SUFR法。这表明排球运动员输出图像的峰值和起飞的行动有更好的质量,更高的熵值,显示对比度和清晰度的细节可以提高更好的表1。
把图8与原始对象来测试这个方法的动作识别效果,哈里斯方法,SUFR方法。结果如图所示9。
从图可以看出9这种方法可以确定所有的细节排球运动员的起飞动作从开始到结束,这与图中的结果是一致的8。哈里斯法和SUFR法运动有不同程度的损失,验证该方法的有效性。
根据上述分析,DTW算法可以准确地识别的起飞动作的排球运动员,拥有良好的图像处理效果和良好的动作识别的性能。
6。结论
在本文中,结合图像识别技术,识别技术的高峰和起飞的基于DTW算法提出了排球运动员,和识别模型的建立和起飞的排球运动员,可以更好的分析飙升的行动和技术特点和起飞识别物品的排球运动员,并提供准确的数据支持,指导飙升和起飞排球运动员的训练和比赛裁判。排球运动员的传动关系模型的细节特征的起飞动作图像构造,和排球运动员的边缘轮廓特征的飙升起飞动作检测到图像和小波分解特征和DWT算法处理细节。使用阿特拉斯之前知识而不是暗原色,图片的详细信息和颜色。通过过滤和维护的方法,引导图像滤波器的详细信息输入排球运动员的飙升和起飞动作形象。索贝尔算子用于检测弱动画图像的边缘信息。在边缘地区,高阶矩特征分解和小波的特性分离是用来提高排球运动员的细节的飙升和起飞动作形象和特征点检测和放大的关键行动,以提高能力的增强和识别动作的细节特征点的图像。测试表明,该方法可以有效地解决了噪声和错误的过程中认识到排球运动员的飙升和起飞的行动,减少识别错误,准确定位,提高能力飙升和起飞点。该方法具有良好的应用价值提高排球运动员的训练指导的高峰。
数据可用性
原始数据支持了本文的结论将由作者提供,没有过度的预订。
的利益冲突
作者宣称,关于这项工作他们没有利益冲突。
确认
这项工作是由河南省社会科学联合会的研究项目“研究思想政治教育的创新和发展新时期高职院校”(skl - 2020 - 179)。